AlphaFold 2 bei CASP14: Proteinfaltung trifft Deep Learning (2020)
Am 30. November 2020 verkündeten die Organisatoren von CASP14 Ergebnisse, bei denen DeepMinds AlphaFold 2 eine Genauigkeit nahe an experimentellen Methoden erreichte. Das ebnete den Weg zur AlphaFold-Datenbank und später zum Nobelpreis.
Am 30. November 2020 verkündeten die Organisatoren von CASP14 – dem blinden Community-Test zur Proteinstrukturvorhersage (CASP) – Ergebnisse, die Strukturbiologen verblüfften. Das AlphaFold 2-System von DeepMind, geleitet von John Jumper unter Demis Hassabis, erreichte bei vielen Zielen eine Genauigkeit nahe an experimentellen Methoden. Ein Problem, dem man seit den 1970ern trotzte, wirkte plötzlich lösbar.
Was CASP misst
Proteine falten sich zu dreidimensionalen Formen, die weitgehend bestimmen, was sie tun. Gegeben ist nur eine Aminosäuresequenz – vorhergesagt werden soll die Form. Alle zwei Jahre stellt CASP unveröffentlichte Sequenzen bereit; Gruppen reichen Modelle ein; unabhängige Gutachter vergleichen mit experimentell ermittelten Strukturen, die bis zum Scoring geheim bleiben.
AlphaFold hatte schon zuvor teilgenommen, doch AlphaFold 2 verband Deep Learning, evolutionäre Sequenzinformation und geometrische Nebenbedingungen so, dass ein Großteil der verbleibenden Lücke schloss. Medianwerte bei schweren Zielen rückten von „nützlicher Hinweis“ zu „für viele biologische Fragen vertrauenswürdig“, noch bevor begutachtete Papers und öffentlicher Code 2021 folgten.
Vom Wettbewerb zur Infrastruktur
DeepMind rahmte das Ergebnis als gelöste Grand Challenge, nicht als einmaligen Wettkampfsieg. Binnen Monaten veröffentlichte das Team Vorhersagen für große Teile des bekannten Proteoms und machte AlphaFold von einem Forschungsprototyp zu geteilter Infrastruktur. Labore, die früher Monate auf Kristallographie warteten, konnten über Nacht von einem hochwertigen Modell ausgehen.
Dieselbe Linie stützte später den Chemie-Nobelpreis 2024 für Hassabis, Jumper und David Baker. CASP14 war der öffentliche Moment, in dem die spätere Begründung des Komitees plausibel wurde: KI war von „interessantem Benchmark“ zu „Standardausgangspunkt“ in der Molekularbiologie geworden.
Warum das wichtig ist
AlphaFold 2 bei CASP14 zeigte, dass Deep Learning wissenschaftliche Instrumente liefern kann, nicht nur bessere Klassifikatoren oder Chat-Oberflächen. Es klärte auch die Arbeitsteilung: evolutionäre Kopplungen liefern globale Constraints, neuronale Netze verfeinern lokale Geometrie, offene Datenbanken multiplizieren Wirkung.
In der KI-Geschichte steht die Episode neben AlphaGo als Beleg, dass derselbe DeepMind‑Werkzeugkasten – große Modelle, viel Rechenleistung, sorgfältige Evaluation – ein ganzes Feld umschreiben kann. Protein-Faltung war der bislang klarste Fall, in dem ein Benchmark, wenn er entscheidend bestanden wird, verändert, wie andere Wissenschaften arbeiten.